Li Xiong

L'unlearning contrastif enlève efficacement l'influence des données tout en préservant la performance du modèle.

Un nouveau cadre génère des données sur la mobilité humaine tout en protégeant la vie privée des individus.

Un nouveau cadre améliore la création de données synthétiques tout en protégeant les infos personnelles.

Une nouvelle méthode améliore la protection de la vie privée pendant l'entraînement des modèles d'apprentissage profond.

Un aperçu de l'approche du modèle de shuffle pour protéger la vie privée des données utilisateurs.